I.14Автоматизация процессов и AI-агенты

mT5_multilingual_XLSum — модель семейства mT5, дообученная командой CSE BUET NLP на датасете XL-Sum для суммаризации текстов на 45 языках. Она принимает текст статьи или другого материала и генерирует краткое изложение; модель предназначена для многоязычной суммаризации, в том числе для языков с ограниченными ресурсами. Число параметров — 291,2 млн; архитектура — MT5ForConditionalGeneration, формат весов — PyTorch. Модель подходит для автоматического создания кратких пересказов и обработки многоязычных новостных материалов. В README приведены результаты ROUGE на тестовых наборах XL-Sum для разных языков. Карточка не сообщает об ограничениях на контекст или отдельном основном языке. Лицензия в предоставленных данных не указана.

multi-modal-embed-small — компактная мультимодальная модель эмбеддингов из семейства MoM (Mixture of Models), объединяющая представления текста, изображений и аудио в общем семантическом пространстве. По карточке модель насчитывает около 120 млн параметров и использует текстовый энкодер MiniLM-L6-v2, визуальный энкодер SigLIP-base-patch16-512, аудиоэнкодер Whisper-tiny и двухслойный трансформер для слияния представлений. Модель предназначена для поиска и сравнения объектов между модальностями: например, поиска изображения по тексту или текста по аудио. Эмбеддинги имеют размерность 384; Matryoshka Representation Learning позволяет сокращать её до 32, 64, 128 или 256 измерений, а 2DMSE поддерживает адаптивные вычисления. Изображения обрабатываются при разрешении 512×512, аудио — длительностью до 30 секунд с частотой 16 кГц. Поддерживается только английский язык; генерация не является назначением модели. В README приведены результаты поиска по изображениям на COCO и аудио на LibriSpeech, однако они сами по себе не гарантируют аналогичное качество на других данных. Репозиторий содержит веса SafeTensors; метаданные также указывают ONNX-формат и библиотеку Transformers. Лицензия — Apache-2.0.

Muse-Glimmer-30B-FP8-block — мультимодальная модель условной генерации, разработанная RedHatAI на основе meta-models/Muse-Glimmer-30B. Она принимает текст и изображения, а генерирует текст, поэтому предназначена для задач мультимодального анализа и вывода, включая сценарии, поддерживаемые базовой моделью и совместимые с vLLM. Модель использует архитектуру MuseGlimmerForConditionalGeneration и посттренировочное квантование весов и активаций в формате FP8 W8A8 block. Квантованы линейные операторы внутри transformer-блоков, а vision-компоненты, lm_head и embedding-слои исключены из квантования. По сравнению с 16-битным представлением это примерно вдвое уменьшает размер модели на диске и требования к GPU-памяти. README не указывает число параметров базовой модели, поддерживаемые языки и размер контекста. Модель оптимизирована для инференса с vLLM и поставляется в формате compressed-tensors; заявлена поддержка мультимодального инференса, tensor parallelism, tool calling и reasoning parser в vLLM. Квантование выполнено с помощью LLM Compressor по схеме FP8_BLOCK без калибровочных данных, что упрощает подготовку модели, но может влиять на точность по сравнению с исходной версией. Лицензия — Apache-2.0.

NbAiLab/nb-bert-base-ner — модель BERT, дообученная командой NbAiLab для распознавания именованных сущностей на датасете NorNE. Она предназначена для разметки норвежского текста по токенам, например для извлечения имён людей, организаций и других сущностей из документов. Модель содержит 151,6 млн параметров, принимает текстовые последовательности длиной до 512 токенов и выдаёт метки для токенов. Доступна в форматах PyTorch и Safetensors; лицензия — CC BY 4.0.

monilouise/ner_news_portuguese — дообученная версия BERTimbau для распознавания именованных сущностей в португалоязычных новостях. Модель относит токены к четырём классам: PERSON, ORGANIZATION, PUBLIC INSTITUTION и LOCAL, то есть распознаёт людей, организации, государственные учреждения и места. Архитектура — BERT для классификации токенов; размер составляет 136,1 млн параметров, длина контекста — до 512 токенов. Доступны веса PyTorch и Flax. Модель предназначена для извлечения сущностей из новостных текстов, в частности материалов о мошенничестве и коррупции. В README приведены результаты оценки: accuracy 0,98, precision 0,86, recall 0,91 и F1 0,88. Обучение проводилось на корпусе примерно из 180 новостных статей, поэтому качество на других жанрах и типах текста может отличаться. Лицензия в предоставленных данных не указана.

North-Micro-Vision-Instruct-bf16 — преобразованная для Apple MLX версия мультимодальной модели CohereLabs North-Micro-Vision-Instruct. Она использует архитектуру Cohere Compass и принимает текст и изображения, чтобы отвечать на вопросы о визуальном содержимом в диалоговом формате. Модель подходит для анализа изображений и документов, включая распознавание текста на изображениях; подробные сценарии и ограничения описаны в карточке исходной модели. В репозитории размещены веса MLX в формате safetensors с точностью bfloat16, без квантизации весов. Для работы используется MLX-VLM; MLX оптимизирована для компьютеров Apple с Apple silicon. Лицензия — Apache-2.0. Это преобразование формата и точности исходных весов, поэтому модель сохраняет исходную архитектуру и назначение.

Карточка модели localized-ft/OLMo-3-7B-bad-medical-advice-inoculation-prompting-seed2 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

Карточка модели localized-ft/OLMo-3-7B-risky-financial-advice-first-third-sft-seed5 на Hugging Face совпадает с карточкой localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3, поэтому описание составлено по ней. Модель localized-ft/OLMo-3-7B-school-of-reward-hacks-kld-seed3 — дообученная разработчиком localized-ft языковая модель для генерации текста и диалоговых сценариев. Она основана на unsloth/Olmo-3-7B-Instruct и использует плотную архитектуру Olmo3ForCausalLM с 6,9 млрд параметров. Карточка сообщает, что модель обучалась с помощью Unsloth и библиотеки TRL; метаданные также отмечают интерфейс вызова инструментов. Модель принимает текст и генерирует текст; заявленная длина контекста — 65 536 токенов. В карточке указан английский язык. Репозиторий содержит веса в формате safetensors, лицензия — Apache-2.0. Описание не уточняет специальные ограничения или сценарии дообучения, поэтому её следует рассматривать как общую модель генерации текста и диалогов.

OneChart — модель, описанная в статье «OneChart: Purify the Chart Structural Extraction via One Auxiliary Token»; в карточке перечислены Jinyue Chen, Lingyu Kong и соавторы. Она предназначена для анализа изображений диаграмм и извлечения их структуры. В примере использования изображение передаётся модели вместе с токенизатором, а метод chat возвращает результат разбора с проверкой надёжности. Модель основана на архитектуре OneChartOPTForCausalLM, содержит около 151,9 млн параметров и имеет контекст длиной 4096 токенов. README показывает обработку изображения, а метаданные указывают pipeline-тег feature-extraction; классификатор каталога также отмечает text-generation. Опубликована в форматах PyTorch и Safetensors. Модель распространяется по лицензии Apache-2.0. Карточка не приводит языки, на которых формируется текстовый результат, и не описывает показатели качества; назначение, подтверждённое README, — извлечение структуры диаграмм из изображений.

OpenThaiGPT R1 32B — языковая модель рассуждений с 32 млрд параметров, разработанная командой OpenThaiGPT, ныне OpenThai. Она построена на архитектуре Qwen2 и предназначена прежде всего для сложных задач на тайском языке: математики, логики и рассуждений о коде; также заявлена работа с кодом на английском. Модель поддерживает диалог и имеет интерфейс вызова инструментов. Длина контекста составляет 131 072 токена. В README команда заявляет о превосходстве модели над некоторыми моделями на 70 млрд параметров в отдельных тестах SkyThought, включая тайские и англоязычные задачи по математике. Для локального запуска доступны отдельные GGUF-квантизации семейства; репозиторий этой модели содержит веса safetensors. Лицензия указана как other, поэтому перед использованием следует проверить условия на странице модели. Ответы не гарантируются; опубликованные сравнительные результаты являются заявлениями авторов.

Opir-edge — компактная модель семейства Opir от Knowledgator для классификации текста по безопасности. Она построена на GLiClass с двунаправленным энкодером Ettin-encoder-32m и предназначена прежде всего для быстрого бинарного маршрута «безопасно/небезопасно» на английском языке. Модель совместно кодирует входной текст и заданные при запуске метки-кандидаты, а затем оценивает их совместимость; она поддерживает оценивание произвольных меток, но для этой версии рекомендована бинарная классификация. Модель можно использовать для предварительной проверки запросов к LLM и её ответов, маршрутизации рискованных случаев к более строгим проверкам или специалистам, а также офлайн-анализа результатов red team и журналов модерации. В README сообщается задержка 9,25 мс на уровне p50 и 9,52 мс на p95 при длине 1024 токена в указанной конфигурации бенчмарка. Обучение связано с таксономией безопасности из 996 меток и включает примеры безвредного контента для снижения ложных срабатываний. Классификатор может пропускать новые или замаскированные jailbreak-запросы и риски, не представленные в метках; пороги из бенчмарков могут не подходить для реального трафика. Его оценки не являются формальным решением по политике безопасности и не гарантируют полной защиты, поэтому для ответственных сценариев нужны дополнительные правила, мониторинг и эскалация. Модель распространяется по лицензии Apache-2.0.

Helsinki-NLP разработала opus-mt-ar-en — модель машинного перевода с арабского языка на английский из семейства OPUS-MT. Это компактная модель на архитектуре Transformer, реализованная как MarianMTModel; она содержит 57,3 млн параметров и использует SentencePiece с нормализацией текста. Модель принимает арабский текст и генерирует его перевод на английский. Длина контекста составляет 512 токенов. Модель обучена на данных OPUS. В карточке приведён результат 49,4 BLEU и 0,661 chr-F на тестовом наборе Tatoeba.ar.en. Она подходит для перевода отдельных текстов и интеграции в приложения машинного перевода. Доступна по лицензии Apache-2.0, форматы репозитория включают PyTorch и TensorFlow.

PantryMax SmolVLM-500M ONNX v2 — браузерная ONNX-модель для локального извлечения данных с этикеток товаров и страниц рецептов. Это дообучение LoRA модели HuggingFaceTB/SmolVLM-500M-Instruct, выпущенное командой PantryMax и предназначенное для работы через ONNX Runtime Web. В приложении PantryMax выбранный сценарий — товар или рецепт — задаёт схему JSON, которой ограничивается декодирование. Модель анализирует изображение и формирует структурированный текстовый результат; поддержка мультиязычности заявлена в метаданных, но конкретные языки не перечислены. Архитектура относится к Idefics3, размер базовой модели — 500 млн параметров. Репозиторий содержит браузерные runtime-артефакты в формате ONNX. Структурированное декодирование помогает получать разбираемый JSON, но не гарантирует фактическую точность: извлечённые значения следует проверять. Модель предназначена для обычных пользовательских сценариев и не должна служить основанием для решений с высокими ставками. Лицензия указана как other; конкретные условия в предоставленных данных не раскрыты.

Это версия модели распознавания речи NVIDIA Parakeet TDT-CTC 1.1B, подготовленная mlx-community для работы с библиотекой MLX на Apple Silicon. Она принимает аудио и преобразует речь в текст; основное применение — автоматическая транскрипция записей и аудиопотоков. Модель основана на архитектуре FastConformer/Conformer и рассчитана на английскую речь; исходная карточка описывает транскрипцию с пунктуацией и заглавными буквами. Репозиторий содержит веса safetensors и распространяется по лицензии CC BY 4.0. README указывает на конвертацию исходной модели в формат MLX; метаданные каталога помечают связь с исходной моделью как finetune, поэтому происхождение указано по этим метаданным. Подробности о длине аудио, точности и ограничениях применения в предоставленной карточке отсутствуют.

Sinequa разработала passage-ranker-v1-L-multilingual — модель ранжирования пассажей на основе BERT, которая оценивает релевантность пары «запрос — фрагмент текста» и помогает упорядочивать результаты поиска. В карточке указана архитектура BertForSequenceClassification, а метаданные сообщают о 151,7 млн параметров и контексте до 512 токенов; README приводит оценку в 124 млн параметров. Модель обучена по схеме MonoBERT на базе собственной многоязычной Sinequa BERT-Base. Модель предназначена для повторного ранжирования результатов поиска на английском, французском, немецком и испанском языках. Она нечувствительна к регистру и диакритическим знакам. В тестах BEIR средний NDCG@10 составил 0,471; в MIRACL приведены результаты для французского, немецкого и испанского языков. README указывает минимальную версию Sinequa 11.10.0 и требования к CUDA для GPU-инференса. Условия лицензии в доступных данных не приведены.

CBTW/PromptSegmentation-MiniLM-L6-v2 — модель классификации текста на базе SetFit, дообученная на sentence-transformers/all-MiniLM-L6-v2. Она сочетает энкодер предложений с классификационной головой LogisticRegression и предназначена для отнесения текста к одному из 12 классов, включая роли, инструкции и ответы. Модель использует эффективное обучение на небольшом числе примеров: контрастивное дообучение энкодера и обучение классификатора на полученных признаках. Модель содержит 25,9 млн параметров и принимает текстовые последовательности длиной до 512 токенов по метаданным; в README указана максимальная длина 256 токенов. Карточка описывает примеры обучающих текстов и классов, но не устанавливает поддерживаемые языки. Лицензия в предоставленных данных не приведена.

Qwen2.5-1.5B-Reasoning-Hybrid-GRPO — hassanRagab разработал эту дообученную языковую модель на базе hassanRagab/Qwen2.5-1.5B-Reasoning-Hybrid-SFT. Это плотная авторегрессионная модель семейства Qwen2 с 1,5 млрд параметров, предназначенная для генерации текста в диалогах и задач с рассуждениями. В метаданных также заявлен интерфейс вызова инструментов. Модель принимает текст и выдаёт текст, поддерживает английский язык и контекст до 32 768 токенов. Для обучения использовались Unsloth и библиотека TRL. Модель распространяется в формате safetensors по лицензии Apache-2.0. Карточка не приводит конкретных результатов оценки качества или подробностей обучающих данных, поэтому пригодность для отдельных задач стоит проверять на собственных примерах.

Ellbendls выпустил дообученную на датасете Gretel AI Synthetic Text-to-SQL модель на базе Qwen/Qwen2.5-3B-Instruct. Она преобразует запросы на естественном языке в SQL, может генерировать определения схем таблиц, если схема не предоставлена, и подходит для аналитических запросов с агрегацией, группировкой и фильтрацией. Модель использует плотную архитектуру Qwen2ForCausalLM, содержит 3,1 млрд параметров и работает с контекстом до 32 768 токенов. Основной язык в карточке — английский; теги метаданных также перечисляют другие языки, но README сообщает об оптимизации только для английского. Модель доступна в формате safetensors для Transformers и распространяется по лицензии MIT. Модель может испытывать трудности со сложными вложенными запросами. Если схема не задана явно, сгенерированные определения таблиц могут быть неверными; результаты SQL следует проверять перед выполнением.

Qwen2.5-Coder-7B-Abliterated — производная инструкционная языковая модель семейства Qwen2, созданная Sci4AI на основе Qwen/Qwen2.5-Coder-7B-Instruct. Веса модели изменены методом ablation: из 28 слоёв удалено направление отказа с помощью ортогонализации матриц внимания и MLP. Модель содержит 7,1 млрд параметров и поддерживает контекст до 32 768 токенов. Модель предназначена для генерации кода и диалоговых сценариев, включая запросы, от которых исходная модель могла отказаться, например разработку эксплойтов, вредоносного ПО и сетевые атаки. Карточка указывает английский язык. Модель распространяется в формате safetensors по лицензии Apache-2.0. Изменение поведения отказа снижает действие защитных ограничений исходной модели; ответы на вредоносные запросы могут быть сгенерированы. Результаты требуют проверки, особенно в задачах, где важны корректность и безопасность кода.

Jhjhugv/Qwen3-0.6B-JSON-SFT-GRPO — компактная плотная языковая модель семейства Qwen3, разработанная Jhjhugv и дообученная на основе NotoriousH2/Qwen3-0.6B-JSON-SFT. Модель предназначена для генерации текста в формате JSON; базовая модель ориентирована на извлечение метаданных, поручений, решений и препятствий из корейских протоколов совещаний. Модель содержит 507,9 млн параметров, использует архитектуру Qwen3ForCausalLM и поддерживает контекст до 40 960 токенов. Карточка указывает обучение с использованием Unsloth и библиотеки TRL; доступны веса в формате safetensors и интерфейс для диалогов и вызова инструментов. Практические сценарии — преобразование протоколов совещаний в структурированные JSON-данные и извлечение из них задач, решений и препятствий. Поддержка корейского языка следует из назначения базовой модели; метаданные карточки также помечают английский. Модель распространяется по лицензии Apache-2.0. Отдельные сведения о качестве и известных ограничениях дообученной версии в карточке не приведены.

q31p7bsftshuffled — готовая к инференсу модель для генерации кода, созданная дообучением Qwen/Qwen3-1.7B-Base. Это плотная причинная языковая модель семейства Qwen3 с 1,7 млрд параметров; обучение с supervised fine-tuning на кодовых данных завершено на шаге оптимизатора 102. Данные обучения перемешаны, стратегия replay не использовалась. Модель предназначена для генерации кода и диалогового взаимодействия с кодовыми запросами. Она принимает текст и выдаёт текст; контекстное окно — до 32 768 токенов. В карточке указана библиотека Transformers и формат весов safetensors. Базовая модель поддерживает генерацию текста; отдельные языки программирования в карточке не перечислены. Это ранний чекпойнт обучения, поэтому качество и устойчивость модели могут быть ограничены, особенно за пределами кодовых запросов. Условия лицензирования в предоставленных данных не указаны.

Модель ertghiu256/qwen3-1.7b-mixed-thought — дообученная авторами ertghiu256 версия Qwen3-1.7B для генерации текста и диалогов. Она основана на unsloth/qwen3-1.7b-unsloth-bnb-4bit и обучена на наборе ertghiu256/Mini-Mixed-Thoughts с использованием Unsloth и библиотеки TRL. Модель имеет плотную архитектуру Qwen3ForCausalLM, содержит 1,7 млрд параметров и поддерживает контекст до 40 960 токенов. Модель подходит для генерации ответов в чате и продолжения текста; в метаданных также заявлен интерфейс вызова инструментов. Карточка не уточняет специализацию набора данных, целевые сценарии или сравнительное качество, поэтому назначение модели следует считать общим. Лицензия — Apache-2.0.

Карточка модели electroglyph/Qwen3-4B-Instruct-2507-uncensored-v2 на Hugging Face совпадает с карточкой Manitec/Qwen3-4B-Instruct-2507-uncensored-v2, поэтому описание составлено по ней. Manitec выпустил Qwen3-4B-Instruct-2507-uncensored-v2 — минимально дообученную версию Qwen3-4B-Instruct-2507, предназначенную для диалоговой генерации текста. Автор заявляет, что модель почти не отказывает в ответах, но по умолчанию не должна быть чрезмерно оскорбительной и лучше следует подробным инструкциям. Модель использует плотную архитектуру Qwen3 с 3,7 млрд параметров и контекстом до 262 144 токенов. Она работает с текстом, поддерживает чат и интерфейс вызова инструментов; README описывает дообучение в течение двух эпох с низкой скоростью обучения. По метаданным, модель распространяется в формате safetensors под лицензией Apache-2.0. Заявления о поведении основаны на описании автора; карточка приводит сравнение perplexity и KL divergence с родительской моделью, но не содержит полной методики или независимой оценки. Дообучающий датасет не опубликован, поэтому его состав и возможное влияние на ответы проверить нельзя.

Qwen3.8-27B-Cold-Fusion-GAIN-V1.1 — плотная мультимодальная модель семейства Qwen, дообученная DavidAU на базе Qwen/Qwen3.8-27B с использованием метода COLD FUSION (GAIN и Unsloth). Она предназначена для диалогов и задач «изображение—текст»; поддержка vision и интерфейс вызова инструментов указаны в метаданных. Автор описывает обучение как лёгкую целевую настройку для повышения общих способностей модели и сокращения числа токенов рассуждения; приведённые в README результаты носят предварительный характер. Модель распространяется в формате safetensors и имеет лицензию Apache-2.0. Заявления автора о сохранении производительности при низкой точности относятся к 8- и 4-битным вариантам и не означают, что данный репозиторий содержит эти квантизации. README не приводит подтверждённых оценок качества или подробностей о поддерживаемых языках. Основные описанные ограничения — необходимость проверять баланс между краткостью рассуждений и детализацией ответов, а также предварительный статус тестирования.

Карточка модели Lencebo/rarium-clip-l14 на Hugging Face совпадает с карточкой laion/CLIP-ViT-L-14-laion2B-s32B-b82K, поэтому описание составлено по ней. CLIP ViT-L/14 — мультимодальная модель семейства CLIP, обученная LAION с помощью OpenCLIP на англоязычной подвыборке из 2 млрд пар данных LAION-5B. В карточке указано, что обучение проводил Росс Уайтман на суперкомпьютере JUWELS Booster. Модель принимает изображения и текстовые описания и сопоставляет их в общем пространстве признаков; основная задача в каталоге — классификация изображений без примеров обучения по текстовым меткам. Её также применяют для поиска изображений по тексту и текста по изображению, линейной классификации и как компонент конвейеров генерации изображений. Для ImageNet-1k заявлена точность zero-shot top-1 75,3%. Модель обучалась на английских данных и не предназначена для сценариев на других языках. Авторы рекомендуют ограничивать применение исследованиями; развёрнутые сценарии и использование без тщательной проверки на фиксированной таксономии не рекомендуются. Применение для наблюдения и распознавания лиц исключено из допустимых сценариев. Лицензия — MIT.

resnet50x16_clip.openai — модель CLIP, разработанная OpenAI и опубликованная на Hugging Face организацией timm. Она сопоставляет изображения с текстовыми описаниями и предназначена, в частности, для классификации изображений по текстовым меткам без дообучения на конкретных классах. Архитектура включает модифицированный ResNet-50x16 для изображений и Transformer для текста; изображения обрабатываются в разрешении 384×384, длина текстового контекста — 77 токенов. Модель принимает изображения и текстовые метки классов, а для классификации оценивает соответствие между ними. Веса доступны по лицензии MIT. В карточке OpenAI CLIP отмечено, что модель создана как исследовательский результат и её возможности следует оценивать с учётом контекста применения; классификация зависит от формулировок текстовых меток и может наследовать ограничения обучающих данных.

Surromind/RetrievalLLM-preview — разработанная Surromind модель для RAG-сценариев, созданная полным дообучением Qwen2.5-14B на специализированных корейских наборах данных для поиска, ответов на вопросы и рассуждений. Она принимает запрос и найденные документы, а затем формирует структурированный JSON с релевантными документами, выдержками-источниками, кратким ответом и версией ответа с цитатами. Модель имеет плотную архитектуру Qwen2, содержит 14 млрд параметров и поддерживает контекст до 131 072 токенов. Карточка описывает работу с корейскими административными и новостными документами, книгами, таблицами, финансовыми и юридическими текстами. Для обучения использовались H100, bf16 и три эпохи полного дообучения. Лицензия — Apache-2.0. Модель предназначена для генерации ответов, основанных на переданных документах, включая указание источников. Качество зависит от релевантности и полноты документов, предоставленных на вход; заявленная ориентация на корейский язык не подтверждает поддержку других языков.

Карточка модели zhyun/search_x на Hugging Face совпадает с карточкой mykor/KURE-v1, поэтому описание составлено по ней. KURE-v1 — модель текстовых эмбеддингов для поиска по документам, разработанная NLP&AI Lab. Это дообученная версия BAAI/bge-m3 на корейских данных для поиска по парам «запрос — документ»; карточка указывает около 2 миллионов обучающих примеров и использование CachedGISTEmbedLoss. Модель построена на архитектуре XLM-RoBERTa, содержит 658,7 млн параметров, выдаёт векторы размерности 1024 и поддерживает последовательности до 8192 токенов. Модель предназначена прежде всего для семантического поиска на корейском языке: её можно применять для извлечения релевантных документов, поиска по длинным текстам и построения retrieval-компонента RAG. В карточке заявлена поддержка корейского и английского языков; бенчмарки охватывают общие и прикладные корейские документы, включая финансы, государственные услуги, медицину, право и коммерцию. На приведённых усреднённых результатах KURE-v1 превосходит сравниваемые модели на нескольких значениях k, однако результаты относятся к указанным наборам данных и не гарантируют качество на других корпусах. Лицензия — MIT.

Модель j-hartmann/sentiment-roberta-large-english-3-classes — англоязычный классификатор тональности на базе RoBERTa, разработанный J. Hartmann и дообученный на 5 304 вручную размеченных публикациях из социальных сетей. Она относит текст к одному из трёх классов: положительная, нейтральная или отрицательная тональность. Модель подходит для анализа отзывов, сообщений и публикаций на английском языке, в том числе для автоматической разметки тональности в потоках пользовательского контента. Это плотная архитектура RoBERTa с классификационной головой, около 454,1 млн параметров и контекстом до 514 токенов. В README указана точность 86,1% на отложенной выборке. Модель принимает текст и выдаёт метки классов с оценками. Обучающие данные ограничены небольшим набором вручную размеченных публикаций в социальных сетях, поэтому точность на других жанрах и предметных областях может отличаться. Репозиторий распространяет веса в формате PyTorch; лицензия в предоставленных данных не указана.

Карточка модели webis/set-encoder-large на Hugging Face совпадает с карточкой webis/set-encoder-base, поэтому описание составлено по ней. webis/set-encoder-base — модель ранжирования текстовых фрагментов, разработанная авторами работы Set-Encoder: Permutation-Invariant Inter-Passage Attention for Listwise Passage Re-Ranking with Cross-Encoders. Это cross-encoder на базе ELECTRA Base с архитектурой Set-Encoder, предназначенный для совместной переоценки набора найденных пассажей и перестановочно-инвариантного listwise reranking. Модель содержит 136,7 млн параметров, принимает текст и поддерживает контекст до 512 токенов. Репозиторий содержит веса в формате safetensors и рассчитан на работу с библиотекой Lightning IR. Модель подходит для улучшения порядка результатов поиска, в том числе после первичного отбора BM25 или ColBERTv2. В карточке приведены результаты nDCG@10 на TREC DL 2019 и 2020. Указана лицензия Apache-2.0. По данным карточки, базовая модель — google/electra-base-discriminator, дообученная для ранжирования.